汽车智能化进入赛点：城市NOA落地竞速，战至最后一公里

城市NOA的竞争正在加速进入落地阶段，6月即将结束，理想汽车计划在剩余几天内，在北京和上海开启城市辅助智能驾驶功能内测，并在下半年推出通勤智能驾驶功能。

其应用方法是，车主可用在日常使用中，基于智能化车辆的配置进行自主训练，令车辆熟悉上下班通勤的固定路线，进而在这一场景实现辅助智能驾驶。

同一时间段，特斯拉被曝其辅助驾驶系统FSD Beta的代码中，已隐藏有L3级别自动驾驶功能，可以在时速得到限制的情况下脱离驾驶员的手脚操作。此前，中国工信部和美国几个州管理部门均已表示支持L3级及更高级别的自动驾驶功能商业化应用，并加速推动法规层面的责任划分。

城市，因其复杂的交通环境和可能出现的突发状况，无疑是所有智能驾驶场景中最难攻克的一关。但又因其用户使用频率和品牌感知价值，成为车企的兵家必争之地。理想汽车智能驾驶副总裁郎咸朋此前就表示，行业的最大痛点，就是“消费者对智能驾驶的价值没有直观感知”。

地平线创始人、CEO余凯在今年4月初举行的中国电动汽车百人会论坛(2023)指出：“什么是用户价值，当前用户对驾驶的需求真的是无人驾驶吗？我们的调查数据显示，87%的用户真正要的是驾驶过程中那种轻松感、消除紧张和疲劳。”而这正是在城市场景落地辅助智能驾驶的最大意义。

显然，如此重要的场景注定会遭遇车企的一拥而上。理想甚至已经算是后来者，从毫末智行等技术供应商，到小鹏汽车等主打智能化卖点的车企，城市NOA的竞速，早已变成“卷王”的战场。赛点已现，胜点又在哪里？

城市NOA，“卷王”扛大旗

理想汽车目前已面向L系列的7个车型推送了相关更新，但在试图加入城市NOA的大军面前，这只能算达到了参战标准。据不完全统计，车企的城市NOA落地竞速大致始于去年9月，至今已有多家车企拿出成果。

例如去年9月，毫末智行宣布城市NOH（ Navigation On HPilot，领航辅助驾驶）即将量产，搭载于魏牌摩卡DHT-PHEV并成为 “国内首个量产上车的城市辅助驾驶系统”。而在今年4月上海车展期间，小鹏、华为、腾讯等纷纷公布了关于城市NOA的方案或落地进展。除了自研，合作也是一条道路。例如智己汽车与Momenta合作，为旗下L7 和 LS7车型配备了NOA功能。

NOA是智能化最直接的表现亮点之一，而智能化和电动化又是新能源车弯道超车燃油车的关键途径——通过再造一个体系，实现不同标准下的错位竞争。所以，这引发了从传统车企到新锐车企的共同争抢。长城汽车依靠的是子公司毫末智行，而吉利也推出了自己的高阶智驾领航系统，比亚迪则与百度、Momenta、地平线等开展了广泛合作。

早期，车企还抱着试探的态度，如今NOA成为了产品力的一部分，车企才给予了更大力度的押注。5月中旬，工信部放出消息称《智能网联汽车标准体系指南》即将正式发布，其中涵盖了对L3级别自动驾驶商业化的相关规定。中信证券认为，这有望为行业后续发展扫清障碍。

导致转折的另一大关键点，是数据积累的奇点已至。早期智能车受限于软硬件水平、应用规模等，能从现实中获取的数据信息十分有限，难以根据这些要素迭代出成果。但经过长期发展，越来越多的车企构建了自己的智能驾驶大模型——值得一提的是，车企推动数据应用具有天然优势，例如按里程数据看，滴滴是世界上唯一拥有千亿公里数据的自动驾驶公司，但要让这些数据转化为智能驾驶的养料，则有明显的难度。

交通运输部数据显示，中国公路总里程目前超过535万公里。按结构看，其中仅有不到20万公里归属于高速公路场景，其余场景中，尤其是车主日常行驶最多的，正是城市场景。大部分车企的车主，预估有八成以上的行驶里程是在城市场景内，并以日常通勤为主。

因此，对已经积累了足够道路和行驶数据的车企而言，开放用户训练的权限顺理成章。

例如，理想汽车的自动驾驶训练里程已突破6亿公里，用户可以基于自己设置的固定通勤路线，在每次通勤过程中对NPN（神经先验网络，使用大模型构建城市路口等场景的信息模型，当信息被采集后，其他搭载城市NOA系统的车辆将可以利用这一云端信息与车端BEV感知，输出合理的预测）特征进行日常训练。1-3周后，相应路线即成为一条成熟的NOA通勤路线。

这给予了终端车辆和车主极大的自由度，也让自动驾驶真正成为日常使用可感知的存在。

值得一提的是，理想的城市NOA也成为了自动驾驶抛弃高精地图的代表案例，转而为大模型“吸粉”甚多。理想前自动驾驶首席科学家王轶轮在微博发文表示：“NPN特征由神经网络生成，经过了NN编码、加密后，它不具备人类可以看懂的道路信息，且与实车BEV融合还原出非常棒的感知结果。但NPN必须基于大规模车队才有意义，可以高频率地更新。”

“国内很多路口极复杂，我认为NPN加强会是无图化的必要过程。”他指出。这也给争夺城市NOA的车企提了个醒，随着现有路线落地越来越多，需要迭代解决的问题也会更多、更复杂。

背后供应链应势而变，智能化改写市场格局

6月16日，华为智能汽车解决方案BU的CEO余承东在2023未来汽车先行者大会上表示：“未来五年、十年，能活下来的主力车厂是少数，因为走向智能化时代，投资规模非常大，成为巨头才能支撑未来持续发展。”

智能驾驶正是典型的投入规模大、回报周期长的领域，要获得收益并不容易。其原因不仅仅在于需要时间积累，背后的整体供应链投入也不容忽视。仅仅一个硬件成本，就让很多玩家不得不抛弃高精地图路线，转向对感知的利用。而在感知侧的配置上，昂贵的激光雷达逐渐被替换为便宜的产品，甚至也一点点被抛弃。

在激光雷达从六七位数的天价售价降价到几千元的过程中，仍有很多车企考虑不使用这个硬件。就连全球车载激光雷达销量冠军禾赛科技，也不得不承认在现实问题面前，有些车企别无选择（禾赛科技本身是理想汽车的供应商）。

禾赛科技CEO李一帆在接受腾讯深网采访时指出：“（激光雷达）对于车而言几千人民币其实是非常非常大的一笔钱。一个车上愿意花几千人民币买的部件一般是一个能显著被感知的。比如升级皮座最多也就几千块钱，你买了它就有，没买就没有。”

而他也提到了车企在应用时的真正痛点，即如果选用了供应链上更高成本的方案，那么售价增加后，车企实际要思考的是到底能提供给消费者什么产品，令他们愿意买单——在消费者这一侧，单纯的技术渲染是不起作用的。问题则在于，智能驾驶本身还处于相对早期的开发阶段，要让这些软硬件合力展示出那种想象中动人心魄的成果，暂时难以实现。

除了这点，智能驾驶的算力投入需求也不容小觑。理想汽车官宣的自动驾驶训练集群算力达到了1200 PFLOPS，对外宣称为国内第一。特斯拉今年一季度部署完成的超级计算群组Dojo ExaPOD，总算力可达1.1EFLOPS。小鹏汽车将其云端超级计算机总算力规划为0.6EFLOPS。这些都属于余承东所说的投入的一部分，当车企卷到自建超算群组，门槛之高可见一斑。